System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于流体管道泄漏检测领域,具体涉及一种基于多分类pin-ftsvm的流体管道泄漏检测方法。
技术介绍
1、管道是天然气、石油和自来水等流体介质的重要运输工具,同时也是城市重要的基础设施,保持供水管道的稳定运行具有重要经济、卫生和环境价值。然而由于管道材料的腐蚀、人为破坏以及环境因素的影响,管道泄漏事故时有发生。管道泄漏事故不仅影响人们的正常生活,还可能导致巨大的经济损失和生态灾难。因此,管道运行状态的实时监测对于维持管网安全运行、避免资源浪费和实现可持续生产非常重要。在管道泄漏检测中,常通过安装在流体管道上的无线传感器来采集管道的振动声信号,再通过利用泄漏检测模型对所采集的振动声信号进行处理分析,以判断管道是否出现泄漏。然而在获取管道振动声信号时,由于受环境或人为因素的影响,振动声信号中通常包含有许多噪声数据,一般的泄漏检测模型无法有效区分管道泄漏信号和噪声信号,因此造成泄漏检测的准确率下降。
2、目前在流体管道泄漏检测方面,研究人员通常采用机器学习的方法(例如支持向量机、人工神经网络、k近邻方法等)来完成对管道振动声信号的检测和识别。其中svm是一种基于统计理论的智能诊断方法,具有坚实的理论基础和优良的性能,在非线性和高维模式识别方面具有显著的优势,svm被广泛用于流体管道泄漏检测中。然而svm在面对数据集中包含许多噪声数据时,其常对每个数据样本分配相同的权重信息,这将导致噪声数据同样被视为与正常数据样本同等重要,影响svm分类超平面的构建,进而导致泄漏检测准确率不高。同时,svm其模型本身需要求解一个二
技术实现思路
1、为解决以上现有技术存在的问题,本专利技术提出了一种基于多分类pin-ftsvm的流体管道泄漏检测方法,该方法包括:
2、s1:采集流体管道发生不同泄露程度的振动声信号;
3、s2:对采集的振动声信号提取信号特征,并对信号特征数据进行归一化处理,得到特征数据集;
4、s3:将特征数据集划分为训练集和测试集;
5、s4:构建pin-ftsvm泄漏检测模型;pin-ftsvm泄漏检测模型为经过pinball损失函数优化后的ftsvm检测模型目标函数;
6、s5:将训练集中的数据输入到pin-ftsvm泄漏检测模型中进行训练;
7、s6:将测试集中的数据输入到训练后的pin-ftsvm泄漏检测模型中,得到流体管道泄漏识别结果。
8、优选的,特征数据集包括振动声信号的平均幅值、能量、方差、方根幅值以及有效值。
9、优选的,构建pin-ftsvm泄漏检测模型包括:获取样本特征数据,采用模糊隶属度函数对样本特征进行加权处理,得到具有不同泄漏状态下的权值矩阵;采用权值矩阵对svm模型的目标函数进行重构,并通过构建两个超平面将原二次规划问题转换为求解两个较小规模的二次规划,得到ftsvm检测模型;采用pin损失函数优化ftsvm检测模型目标函数,得到pin-ftsvm泄漏检测模型。
10、进一步的,采用模糊隶属度函数对样本特征进行加权处理包括:
11、步骤1:计算正样本和负样本的样本中心值xc+、xc-;
12、步骤2:通过测量各类样本点到样本中心的距离,并确定出最大半径距离r+和r-;
13、步骤3:根据xc+、xc-、r+和r-计算正样本的模糊隶属度值和负样本的模糊隶属度值。
14、进一步的,正样本的模糊隶属度值和负样本的模糊隶属度值的表达式为:
15、
16、
17、其中,μ为平衡正常样本和噪声样本的影响的因素,xi表示具体的样本数据点,xc+为正样本中心,r+为正样本的最大半径距离,δ为常数值,xc-为负样本中心,yi为样本标签。
18、优选的,ftsvm检测模型目标函数的表达式为:
19、
20、
21、其中,x+,x-分别对应正负样本数据;wi和bi分别为权重和偏差;ei为单位向量;at=[x+;x-];ξi表示松弛变量;c1,c2,c3,c4为惩罚系数;k为rbf核函数。
22、优选的,pin-ftsvm泄漏检测模型为:
23、
24、
25、优选的,对pin-ftsvm泄漏检测模型中进行训练包括:将训练集中的数据输入到pin-ftsvm泄漏检测模型中,利用“一对一”多分类策略,将多分类问题逐步拆分成二分类问题;对于k分类问题,任意两类样本间构建一个二分类子分类器,总共需要构造k(k-1)/2个子分类器;分类时,依次采用这k(k-1)/2个子分类器对未知样本进行“投票”判别,判别属于第i类就给第i类的得分加一,累积单个分类器的得分,得分最大的那一类即作为未知样本的类别;利用网格搜索方法优化模型的惩罚系数和核参数。
26、本专利技术的有益效果:
27、本专利技术采用pinball损失函数对ftsvm检测模型的目标函数进行优化,并通过构建两个超平面将原二次规划问题转换为求解两个较小规模的二次规划,提升模型计算效率;本专利技术采用“一对一”分类策略实现多分类,提高了分类的效果。
本文档来自技高网...【技术保护点】
1.一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,特征数据集包括振动声信号的平均幅值、能量、方差、方根幅值以及有效值。
3.根据权利要求1所述的一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,构建Pin-FTSVM泄漏检测模型包括:获取样本特征数据,采用模糊隶属度函数对样本特征进行加权处理,得到具有不同泄漏状态下的权值矩阵;采用权值矩阵对SVM模型的目标函数进行重构,并通过构建两个超平面将原二次规划问题转换为求解两个较小规模的二次规划,得到FTSVM检测模型;采用Pin损失函数优化FTSVM检测模型目标函数,得到Pin-FTSVM泄漏检测模型。
4.根据权利要求3所述的一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,采用模糊隶属度函数对样本特征进行加权处理包括:
5.根据权利要求4所述的一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,正样本的模糊隶属度值
6.根据权利要求3所述的一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,FTSVM检测模型目标函数的表达式为:
7.根据权利要求3所述的一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,Pin-FTSVM泄漏检测模型为:
8.根据权利要求1所述的一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,对Pin-FTSVM泄漏检测模型中进行训练包括:
9.根据权利要求1所述的一种基于多分类Pin-FTSVM的流体管道泄漏检测方法,其特征在于,惩罚系数和核参数包括:惩罚系数C1,C2,C3,C4的搜索范围为[2-5,25],搜索过程中设置C1=C2,C3=C4;核函数参数γ的搜索范围为[2-10,25],惩罚系数和核参数的单次搜索步长为指数项加1。
...【技术特征摘要】
1.一种基于多分类pin-ftsvm的流体管道泄漏检测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于多分类pin-ftsvm的流体管道泄漏检测方法,其特征在于,特征数据集包括振动声信号的平均幅值、能量、方差、方根幅值以及有效值。
3.根据权利要求1所述的一种基于多分类pin-ftsvm的流体管道泄漏检测方法,其特征在于,构建pin-ftsvm泄漏检测模型包括:获取样本特征数据,采用模糊隶属度函数对样本特征进行加权处理,得到具有不同泄漏状态下的权值矩阵;采用权值矩阵对svm模型的目标函数进行重构,并通过构建两个超平面将原二次规划问题转换为求解两个较小规模的二次规划,得到ftsvm检测模型;采用pin损失函数优化ftsvm检测模型目标函数,得到pin-ftsvm泄漏检测模型。
4.根据权利要求3所述的一种基于多分类pin-ftsvm的流体管道泄漏检测方法,其特征在于,采用模糊隶属度函数对样本特征进行加权处理包括:
5.根据...
【专利技术属性】
技术研发人员:杨泽远,杨刚,何晓鹏,李帅永,熊心和,匡海军,宋兵,汪洋,杨一博,
申请(专利权)人:万基泰科工集团数字城市科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。